CN103077505A - 基于字典学习和结构聚类的图像超分辨率重建方法 - Google Patents
基于字典学习和结构聚类的图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN103077505A CN103077505A CN2013100300355A CN201310030035A CN103077505A CN 103077505 A CN103077505 A CN 103077505A CN 2013100300355 A CN2013100300355 A CN 2013100300355A CN 201310030035 A CN201310030035 A CN 201310030035A CN 103077505 A CN103077505 A CN 103077505A
- Authority
- CN
- China
- Prior art keywords
- resolving power
- resolution
- high resolving
- image
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于字典学习和结构聚类的图像超分辨率重建方法,主要解决现有技术重建图像表面模糊,边缘锯齿化现象严重的问题。其实现步骤是:(1)采集训练样本;(2)对训练样本进行结构聚类;(3)利用OMP和K-SVD的方法训练得到各类的字典;(4)求出输入的低分辨率图像块的稀疏表示系数;(5)利用高分辨率字典和稀疏系数重建高分辨率图像块;(6)对高分辨率图像块加权求和,得到加权求和后的高分辨率图像块;(7)根据高分辨率图像块,得到高分辨率图像;(8)通过误差补偿,对高分辨率图像进行高频信息增强,得到最终的结果。仿真实验表明,本发明具有图像表面清晰,边缘比较锐化的优点,可用于图像识别以及目标分类。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像的超分辨率重建方法,可用于各种自然图像的超分辨率重建,并且对小噪声有一定的抑制作用。
背景技术
在实际应用中,受成像***物理分辨率限制,以及场景变化与天气条件等诸多因素的影响,实际成像过程中往往存在光学与运动模糊、欠采样和噪声等退化因素,导致成像***只能得到质量较差、分辨率较低的图像或图像序列,通常满足不了实际的应用要求,这给后续的图像处理、分析和理解带来诸多困难,不利于人们正确地认识客观世界及其规律。
解决这一问题一个实用而有效的方法就是图像超分辨重建技术,其不需要昂贵的图像获取设备,只需要通过计算机软件的处理就能够获得更高分辨率的图像。一般说来,图像超分辨技术主要分为三种类型:基于插值的方法、基于重构的方法和基于学习的方法。其中:
基于插值的方法,如最邻近插值法和立方插值法,进行超分辨率重建时会造成图像表面比较模糊,高频信息会丢失严重,尤其是边缘锯齿化现象明显,严重影响图像质量。
基于重建的方法由于人为强加的图像先验,导致高分辨图像边缘有锯齿化现象出现,并且在高放大因子条件下重建图像的质量严重退化。这些图像超分辨方法虽然存在过平滑、边缘有锯齿化现象等缺陷,但在技术上取得了一定突破,已经趋于成熟并在电子图像、互联网视频、数字电视等多个领域获得广泛应用。近年来,随着机器学习和压缩感知理论的不断发展,
基于学习的图像超分辨方法,是近年来由Freeman等人首先提出的一种图像分辨方法,其内容是通过马尔科夫随机场和先验知识来学习低分辨率图像和高分辨率图像之间的关系,然后重构出高分辨图像,但这种方法不能很好地保持高分辨图像的高频细节,并且计算复杂度较大,效率偏低。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于字典学习和结构聚类的图像超分辨率重建方法,以避免图像超分辨率重建时,导致重建图像的细节丢失严重以及图像边缘有振铃现象。
实现本发明的技术思路是:利用图像结构信息的不同,对训练样本对进行结构聚类,并获得各类的字典对包括低分辨率字典及其对应的高分辨率字典,通过重建算法得到一幅高分辨率、高清晰的图像。其具体步骤包括如下:
(1)从样本数据库中采集训练样本对M=[Mh;Ml],其中,Mh表示高分辨率样本集,Ml表示对应的低分辨率样本集;
(2)对采集到的训练样本对M进行结构聚类;
(2a)按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz(j,k):
得到高分辨率样本块Mhz的结构特征矩阵Yhz,其中,Mhz表示高分辨率样本集Mh的第z个高分辨率样本块,Cz表示高分辨率样本块Mhz的梯度的协方差矩阵,x表示高分辨率样本块Mhz的中心像素点的位置坐标,xj,k表示高分辨率样本块Mhz的像素点Mhz(j,k)的位置坐标,h表示常量,det表示求矩阵的行列式,T表示矩阵的转置,exp表示指数;
(2b)根据步骤(2a)计算出高分辨率样本集Mh的结构特征矩阵Yh,利用KMEANS方法对结构特征矩阵Yh进行聚类,并聚成N类,其中,1≤N≤100;
(3)利用正交匹配追踪OMP算法和K-SVD的方法以及各类的训练样本对Mi,求得字典对Di包括高分辨率字典Dhi及其低分辨率字典Dli,其中,Mi表示第i类的训练样本对,1≤i≤N;
(4)输入一幅待处理的低分辨率图像y,将低分辨率图像y按照阵列式扫描方式,得到低分辨率图像块yp,其中,1≤p≤L,L表示图像块的数目,利用公式求解得到低分辨率图像块yp在低分辨率字典Dli下的稀疏表示系数βi,式中,表示向量的l2范数,||||1表示向量的l1范数,F表示特征提取因子,用来提取图像的特征,λ表示正则项参数;
(5)利用高分辨率字典Dhi及稀疏系数βi,重建得到高分辨率图像块Xpi=Dhiβi;
(6)对高分辨率图像块Xpi加权求和,得到加权求和后的高分辨率图像块Xp;
(7)按照矩阵式扫描方式依次将各个加权求和后的高分辨率图像块Xp放入各自对应的图像位置中,得到高分辨率图像X;
(8)对高分辨率图像X,利用误差补偿,增强高频信息,得到高频信息增强后的高分辨图像X*。
本发明与现有的技术相比具有以下优点:
1.本发明利用样本图像结构信息的不同,对样本图像进行聚类,可使得结构相同或相似的图像聚成一类;
2.本发明利用OMP算法和K-SVD算法对聚类图像进行训练,得到的字典对更加合理;
3.本发明利用加权求和的方法,使得图像之间得到充分的信息互补,对高分辨率图像的细节估计会更加准确;
4.本发明可利用单帧图像实现图像超分辨率重建,得到的高分辨率图像更加清晰,内容更加丰富。
附图说明
图1是本发明基于字典学习和结构聚类的图像超分辨率重建方法总流程图;
图2是本发明采用的测试图像;
图3是用本发明与现有两种方法对图2中的第1幅图像重构结果对比图;
图4是用本发明与现有两种方法对图2中的第2幅图像重构结果对比图;
图5是用本发明与现有两种方法对图2中的第3幅图像重构结果对比图;
图6是用本发明与现有两种方法对图2中的第4幅图像重构结果对比图。
具体实施方式
下面结合附图1对本发明的步骤作进一步的详细描述。
步骤1.从样本数据库中采集训练样本对M=[Mh;Ml],其中,Mh表示高分辨率样本集,Ml表示对应的低分辨率样本集,其中,训练样本对M的数目num=100000。
步骤2.对采集到的高分辨率样本集Mh进行结构聚类。
(2a)求解高分辨率样本块Mhz的梯度,得到梯度矩阵Gz,对梯度矩阵Gz进行奇异值分解:
其中,Sz是2x2的矩阵,表示图像块主要方向的能量,
Vz是2x2的矩阵,表示图像块主要的角度方向,
Uz表示nx2的矩阵,n表示梯度矩阵Gz的维数;
(2b)由步骤(2a)得到高分辨率样本块Mhz的伸长率σz,尺度参数γz以及方向角度参数θz,其公式分别如下:
其中,λ1,λ2表示常量,在仿真实验中,设置λ1=1.0,λ2=0.01,M表示高分辨率样本块Mhz的维数;
(2c)按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz(j,k):
得到高分辨率样本块Mhz的结构特征矩阵Yhz,其中,Mhz表示高分辨率样本集Mh的第z个高分辨率样本块,Cz表示高分辨率样本块Mhz的梯度的协方差矩阵,x表示高分辨率样本块Mhz的中心像素点的位置坐标,xj,k表示高分辨率样本块Mhz的像素点Mhz(j,k)的位置坐标,h表示常量,det表示求矩阵的行列式,T表示矩阵的转置,exp表示指数;
(2d)计算协方差矩阵Cz为:
Λz表示伸长矩阵,
(2e)根据步骤(2b),步骤(2c)以及步骤(2d),计算出图像块Mhz的结构特征矩阵Yhz;
(2f)利用KMEANS方法对高分辨率样本集Mh的结构特征矩阵Yh进行聚类,把训练样本对聚成N类,在仿真实验中,设置N=5。
步骤3.利用正交匹配追踪OMP算法和K-SVD的方法以及各类的训练样本对Mi,求得字典对Di包括高分辨率字典Dhi及其对应的低分辨率字典Dli,其中,1≤i≤N。
步骤4.输入一幅待处理的低分辨率图像y,将低分辨率图像y按照阵列式扫描方式,得到低分辨率图像块yp,其中,1≤p≤L,L表示图像块的数目,利用公式求解得到低分辨率图像块yp在低分辨率字典Dli下的稀疏表示系数βi,式中,表示向量的l2范数,||||1表示向量的l1范数,λ表示正则项参数,F表示特征提取因子,用来提取图像的特征,在仿真实验中,设置特征提取因子F为一维滤波器组,其表达式为:l1=[-1,0,1],l3=[1,0,-2,0,1],T表示矩阵的转置。
步骤5.利用高分辨率字典Dhi及稀疏系数βi,重建得到一幅高分辨率图像块Xpi=Dhiβi。
步骤6.对高分辨率图像块Xpi加权求和,得到加权求和后的高分辨率图像块Xp。
(6a)按如下公式求权值ω:
其中,Xk表示均值图像块;
(6b)根据高分辨率图像Xpi和权值ω,按如下公式得到加权求和后的高分辨率图像块Xp:
步骤7.按照矩阵式扫描方式依次将各个加权求和后的高分辨率图像块Xp放入各自对应的图像位置中,得到高分辨率图像X;
步骤8.对高分辨率图像X,利用误差补偿,增强高频信息,得到高频信息增强后的高分辨图像X*。
(7a)计算高分辨率图像X和待处理的低分辨率图像y之间的误差E:
E=y-G[(X*g)],
其中,G为高斯下采样算子,g为高斯平滑矩阵,
(7b)对误差E进行上采样,对加权求和后的高分辨率图像X进行高频信息增强,得到高频信息增强后的高分辨图像X*:
X*=(X)t+1=(X)t+p.E↑d,
其中,t表示迭代次数,p表示收敛因子,↑d表示上采样函数,在仿真实验中,设置迭代次数t20,收敛因子p=1。
本发明的效果可以通过以下实验仿真进一步得到说明:
1.仿真条件
本实验采用标准的测试图像如图2所示,其中,图2(a)表示girl图像,图2(b)表示lena图像,图2(c)表示hat图像,图2(d)表示parrots图像;采用软件MATLAB7.12(R2011a)作为仿真工具,计算机配置为intel Core i7/2.0GHz/8G。
2.仿真方法
在相同的测试图像上,采用对比实验的形式,选择双三次样条插值Bi-cubic以及一个具有代表性的图像超分辨率重建方法与本发明的仿真结果进行比较,以验证本发明的有效性。一个具有代表性的图像超分辨率重建方法为:
方法1:Yang等人提出的方法,具体参考文献“J.Yang,J.Wright,T.Huang,andY. Ma,“Image super-resolution via sparse representation”,IEEE.Trans.Image Process,vol.19,no.11,pp.2861-2873,Nov.2010”。
3.仿真内容
仿真1,对附图2中4幅测试图像,在放大倍数为3时,用Bi-cubic方法分别进行超分辨重建,超分辨重建结果评价指标如表1的第3列所示,超分辨重建结果分别如图3(a)、图4(a)、图5(a)和图6(a)所示;
仿真2,对附图2中4幅测试图像,在放大倍数为3时,用方法1分别进行超分辨重建,超分辨重建结果评价指标如表1的第4列所示,超分辨重建结果分别如图3(b)、图4(b)、图5(b)和图6(b)所示;
仿真3,对附图2中4幅测试图像,在放大倍数为3时,用本发明分别进行超分辨重建,超分辨重建结果评价指标如表1的第5列所示,超分辨重建结果分别如图3(c)、图4(c)、图5(c)和图6(c)所示。
通过四幅图像的比较可以看出:
从整体视觉效果上看,三种方法获得的重建图像相比较,用Bi-cubic方法获得的重建图像表面比较模糊,亮度有点暗,高频细节丢失严重,而用方法1以及本发明方法获得的重建图像表面清晰,分辨率比较高,高频细节虽有所丢失但现象不明显。
从局部视觉效果上看,三种方法获得的重建图像相比较,用Bi-cubic方法获得的重建图像边缘振铃效应明显,锯齿化现象严重,严重影响图像质量,用方法1获得的重建图像边缘有较弱的振铃效应,而用本发明能有效减弱振铃效应,使得图像边缘纹理清晰。
本发明采用的评价指标为峰值信噪比PSNR、结构相似度SSIM和平均结构相似度MSSIM,其中,峰值信噪比PSNR值越大,则说明图像超分辨重建的效果好,结构相似度SSIM和平均结构相似度MSSIM值都是越接近1,则说明图像超分辨重建的效果好。
表14幅测试图不同方法实验结果比较
从表1可以看出,在评价指标上,本发明要优于其他两种方法。
对于girl图像,本发明的重建图像的评价指标PSNR值要比Bi-cubic方法高将近0.72dB,比方法1高将近0.14dB;
对于lena图像,本发明的重建图像的评价指标PSNR值要比Bi-cubic方法高将近1.47dB,比方法1高将近0.54dB;
对于hat图像,本发明的重建图像的评价指标PSNR值要比Bi-cubic方法高将近1.04dB,比方法1高将近0.35dB;
对于parrots图像,本发明的重建图像的评价指标PSNR值要比Bi-cubic方法高将近1.45dB,比方法1高将近0.3dB。
综上,本发明相比于现有的自然图像超分辨重建算法,不管从主观视觉质量上,还是从客观参数的评价上看都具有优越性。利用本发明进行超分辨率重建,能够重建出图像表面比较清晰,图像亮度比较适中,分辨率比较高的高分辨率图像,是一种可行有效的自然图像超分辨重建方法。
Claims (3)
1.一种基于字典学习和结构聚类的图像超分辨率重建方法,包括如下步骤:
(1)从样本数据库中采集训练样本对M=[Mh;Ml],其中,Mh表示高分辨率样本集,Ml表示对应的低分辨率样本集;
(2)对采集到的训练样本对M进行结构聚类;
(2a)按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz(j,k):
得到高分辨率样本块Mhz的结构特征矩阵Yhz,其中,Mhz表示高分辨率样本集Mh的第z个高分辨率样本块,Cz表示高分辨率样本块Mhz的梯度的协方差矩阵,x表示高分辨率样本块Mhz的中心像素点的位置坐标,xj,k表示高分辨率样本块Mhz的像素点Mhz(j,k)的位置坐标,h表示常量,det表示求矩阵的行列式,T表示矩阵的转置,exp表示指数;
(2b)根据步骤(2a)计算出高分辨率样本集Mh的结构特征矩阵Yh,利用KMEANS方法对结构特征矩阵Yh进行聚类,并聚成N类,其中,1≤N≤100;
(3)利用正交匹配追踪OMP算法和K-SVD的方法以及各类的训练样本对Mi,求得字典对Di包括高分辨率字典Dhi及其低分辨率字典Dli,其中,Mi表示第i类的训练样本对,1≤i≤N;
(4)输入一幅待处理的低分辨率图像y,将低分辨率图像y按照阵列式扫描方式,得到低分辨率图像块yp,其中,1≤p≤L,L表示图像块的数目,利用公式求解得到低分辨率图像块yp在低分辨率字典Dli下的稀疏表示系数βi,式中,表示向量的l2范数,||||1表示向量的l1范数,F表示特征提取因子,用来提取图像的特征,λ表示正则项参数;
(5)利用高分辨率字典Dhi及稀疏系数βi,重建得到高分辨率图像块Xpi=Dhiβi;
(6)对高分辨率图像块Xpi加权求和,得到加权求和后的高分辨率图像块Xp;
(7)按照矩阵式扫描方式依次将各个加权求和后的高分辨率图像块Xp放入各自对应的图像位置中,得到高分辨率图像X;
(8)对高分辨率图像X,利用误差补偿,增强高频信息,得到高频信息增强后的高分辨图像X*。
2.根据权利1所述的基于字典学习和结构聚类的图像超分辨率重建方法,其特征在于:步骤(2a)中所述的提取高分辨率样本块Mhz各个像素点的结构特征值Yhz(j,k),得到高分辨率样本块Mhz的结构特征矩阵Yhz,按如下步骤进行:
(2a1)求解高分辨率样本块Mhz的梯度,得到梯度矩阵Gz,对梯度矩阵Gz奇异值分解:
其中,Sz是2x2的矩阵,表示高分辨率样本块Mhz主要方向的能量,
Vz是2x2的矩阵,表示高分辨率样本块Mhz主要的角度方向,
Uz表示nx2的矩阵,n表示梯度矩阵Gz的维数;
(2a2)由步骤(2a1)得到高分辨率样本块Mhz的伸长率σz,尺度参数γz以及方向角度参数θz,其公式分别如下:
其中,λ1,λ2表示常量,在仿真实验中,设置λ1=1.0,λ2=0.01,M表示高分辨率样本块Mhz的维数;
(2a3)按如下公式提取高分辨率样本块Mhz各个像素点的结构特征值Yhz(j,k):
得到高分辨率样本块Mhz的结构特征矩阵Yhz,其中,Mhz表示高分辨率样本集Mh的第z个高分辨率样本块,Cz表示高分辨率样本块Mhz的梯度的协方差矩阵,x表示高分辨率样本块Mhz的中心像素点的位置坐标,xj,k表示高分辨率样本块Mhz的像素点Mhz(j,k)的位置坐标,h表示常量,det表示求矩阵的行列式,T表示矩阵的转置,exp表示指数;
(2a4)计算协方差矩阵Cz为:
其中,表示旋转矩阵,
Λz表示伸长矩阵,
(2a5)根据步骤(2a2),步骤(2a3)以及步骤(2a4),计算出图像块Mhz的特征矩阵Yhz。
3.根据权利1所述的基于字典学习和结构聚类的图像超分辨率重建方法,其特征在于:步骤(6)中所述的对高分辨率图像块Xpi加权求和,得到加权求和后的高分辨率图像块Xp,按如下步骤进行:
(6a)按如下公式求权值ω:
其中,Xk表示均值图像块;
(6b)根据高分辨率图像块Xpi和权值ω,按如下公式得到加权求和后的高分辨率图像块Xp:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310030035.5A CN103077505B (zh) | 2013-01-25 | 2013-01-25 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310030035.5A CN103077505B (zh) | 2013-01-25 | 2013-01-25 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077505A true CN103077505A (zh) | 2013-05-01 |
CN103077505B CN103077505B (zh) | 2015-12-09 |
Family
ID=48154024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310030035.5A Active CN103077505B (zh) | 2013-01-25 | 2013-01-25 | 基于字典学习和结构聚类的图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103077505B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593827A (zh) * | 2013-11-12 | 2014-02-19 | 河北师范大学 | 一种基于证据理论的图像去噪方法 |
CN103714526A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于稀疏多流形嵌入的超分辨率图像重构方法 |
CN103810702A (zh) * | 2014-01-17 | 2014-05-21 | 浙江大学 | 一种基于分块噪声方差估计的图像累积信噪比计算方法 |
CN103854262A (zh) * | 2014-03-20 | 2014-06-11 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
CN104200478A (zh) * | 2014-09-12 | 2014-12-10 | 广东财经大学 | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 |
CN104252703A (zh) * | 2014-09-04 | 2014-12-31 | 吉林大学 | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
CN104715460A (zh) * | 2015-03-30 | 2015-06-17 | 江南大学 | 一种基于稀疏表示的快速图像超分辨率重建方法 |
CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
CN106296583A (zh) * | 2016-08-01 | 2017-01-04 | 西北工业大学 | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 |
CN106780342A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN106952317A (zh) * | 2017-03-23 | 2017-07-14 | 西安电子科技大学 | 基于结构稀疏的高光谱图像重建方法 |
CN107239757A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 一种基于深度阶梯网的极化sar影像目标检测方法 |
CN107767337A (zh) * | 2017-09-29 | 2018-03-06 | 深圳先进技术研究院 | 一种图像超分辨率重建方法、装置、移动终端及存储介质 |
CN108122262A (zh) * | 2016-11-28 | 2018-06-05 | 南京理工大学 | 基于主结构分离的稀疏表示单帧图像超分辨率重建算法 |
CN108280804A (zh) * | 2018-01-25 | 2018-07-13 | 湖北大学 | 一种多帧图像超分辨率重建方法 |
CN108444451A (zh) * | 2018-03-19 | 2018-08-24 | 中国人民解放军战略支援部队信息工程大学 | 一种行星表面影像匹配方法与装置 |
CN110084752A (zh) * | 2019-05-06 | 2019-08-02 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
CN110111253A (zh) * | 2019-04-12 | 2019-08-09 | 浙江师范大学 | 自适应全局和纹理约束的超分辨率的方法 |
CN110415169A (zh) * | 2018-04-28 | 2019-11-05 | 深圳先进技术研究院 | 一种深度图超分辨率重建方法、***及电子设备 |
CN114241534A (zh) * | 2021-12-01 | 2022-03-25 | 佛山市红狐物联网科技有限公司 | 一种全掌脉络数据的快速匹配方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175509A1 (en) * | 2007-01-24 | 2008-07-24 | General Electric Company | System and method for reconstructing restored facial images from video |
CN101950365B (zh) * | 2010-08-30 | 2012-07-04 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
-
2013
- 2013-01-25 CN CN201310030035.5A patent/CN103077505B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175509A1 (en) * | 2007-01-24 | 2008-07-24 | General Electric Company | System and method for reconstructing restored facial images from video |
CN101950365B (zh) * | 2010-08-30 | 2012-07-04 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
Non-Patent Citations (2)
Title |
---|
JIANCHAO YANG ET AL.: "Image Super-Resolution Via Sparse Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
王春霞 等: "图像超分辨率重建技术综述", 《计算机技术与发展》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593827A (zh) * | 2013-11-12 | 2014-02-19 | 河北师范大学 | 一种基于证据理论的图像去噪方法 |
CN103593827B (zh) * | 2013-11-12 | 2017-01-11 | 河北师范大学 | 一种基于证据理论的图像去噪方法 |
CN103714526A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于稀疏多流形嵌入的超分辨率图像重构方法 |
CN103714526B (zh) * | 2013-12-24 | 2016-04-20 | 西安电子科技大学 | 基于稀疏多流形嵌入的超分辨率图像重构方法 |
CN103810702A (zh) * | 2014-01-17 | 2014-05-21 | 浙江大学 | 一种基于分块噪声方差估计的图像累积信噪比计算方法 |
CN103810702B (zh) * | 2014-01-17 | 2016-06-29 | 浙江大学 | 一种基于分块噪声方差估计的图像累积信噪比计算方法 |
CN103854262B (zh) * | 2014-03-20 | 2016-06-29 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
CN103854262A (zh) * | 2014-03-20 | 2014-06-11 | 西安电子科技大学 | 基于结构聚类与稀疏字典学习的医学图像降噪方法 |
CN104252703A (zh) * | 2014-09-04 | 2014-12-31 | 吉林大学 | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
CN104252703B (zh) * | 2014-09-04 | 2017-05-03 | 吉林大学 | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
CN104200478A (zh) * | 2014-09-12 | 2014-12-10 | 广东财经大学 | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 |
CN104200478B (zh) * | 2014-09-12 | 2017-03-22 | 广东财经大学 | 一种基于稀疏表示的低分辨率触摸屏图像缺陷检测方法 |
CN104715460A (zh) * | 2015-03-30 | 2015-06-17 | 江南大学 | 一种基于稀疏表示的快速图像超分辨率重建方法 |
CN105678728A (zh) * | 2016-01-19 | 2016-06-15 | 西安电子科技大学 | 分区域管理的高效超分辨率成像装置及方法 |
CN106296583A (zh) * | 2016-08-01 | 2017-01-04 | 西北工业大学 | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 |
CN106296583B (zh) * | 2016-08-01 | 2019-06-04 | 西北工业大学 | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 |
CN108122262A (zh) * | 2016-11-28 | 2018-06-05 | 南京理工大学 | 基于主结构分离的稀疏表示单帧图像超分辨率重建算法 |
CN108122262B (zh) * | 2016-11-28 | 2021-05-07 | 南京理工大学 | 基于主结构分离的稀疏表示单帧图像超分辨率重建算法 |
CN106780342A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN106952317A (zh) * | 2017-03-23 | 2017-07-14 | 西安电子科技大学 | 基于结构稀疏的高光谱图像重建方法 |
CN106952317B (zh) * | 2017-03-23 | 2020-04-07 | 西安电子科技大学 | 基于结构稀疏的高光谱图像重建方法 |
CN107239757A (zh) * | 2017-05-23 | 2017-10-10 | 西安电子科技大学 | 一种基于深度阶梯网的极化sar影像目标检测方法 |
CN107767337A (zh) * | 2017-09-29 | 2018-03-06 | 深圳先进技术研究院 | 一种图像超分辨率重建方法、装置、移动终端及存储介质 |
CN108280804B (zh) * | 2018-01-25 | 2021-03-16 | 湖北大学 | 一种多帧图像超分辨率重建方法 |
CN108280804A (zh) * | 2018-01-25 | 2018-07-13 | 湖北大学 | 一种多帧图像超分辨率重建方法 |
CN108444451A (zh) * | 2018-03-19 | 2018-08-24 | 中国人民解放军战略支援部队信息工程大学 | 一种行星表面影像匹配方法与装置 |
CN108444451B (zh) * | 2018-03-19 | 2020-10-20 | 中国人民解放军战略支援部队信息工程大学 | 一种行星表面影像匹配方法与装置 |
CN110415169A (zh) * | 2018-04-28 | 2019-11-05 | 深圳先进技术研究院 | 一种深度图超分辨率重建方法、***及电子设备 |
CN110415169B (zh) * | 2018-04-28 | 2023-07-14 | 深圳先进技术研究院 | 一种深度图超分辨率重建方法、***及电子设备 |
CN110111253A (zh) * | 2019-04-12 | 2019-08-09 | 浙江师范大学 | 自适应全局和纹理约束的超分辨率的方法 |
CN110111253B (zh) * | 2019-04-12 | 2023-06-23 | 浙江师范大学 | 自适应全局和纹理约束的超分辨率的方法 |
CN110084752A (zh) * | 2019-05-06 | 2019-08-02 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
CN110084752B (zh) * | 2019-05-06 | 2023-04-21 | 电子科技大学 | 一种基于边缘方向和k均值聚类的图像超分辨重建方法 |
CN114241534A (zh) * | 2021-12-01 | 2022-03-25 | 佛山市红狐物联网科技有限公司 | 一种全掌脉络数据的快速匹配方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103077505B (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077505A (zh) | 基于字典学习和结构聚类的图像超分辨率重建方法 | |
CN103077511B (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
Xiao et al. | Satellite video super-resolution via multiscale deformable convolution alignment and temporal grouping projection | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
Li et al. | Multi-scale residual network for image super-resolution | |
CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
CN103093444B (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
CN102156875B (zh) | 基于多任务ksvd字典学习的图像超分辨率重构方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN101556690A (zh) | 基于词典学习和稀疏表示的超分辨率算法 | |
Chen et al. | Single image super-resolution using deep CNN with dense skip connections and inception-resnet | |
CN101299235A (zh) | 一种基于核主成分分析的人脸超分辨率重构方法 | |
CN103093445A (zh) | 基于联合稀疏约束的统一特征空间图像超分辨重建方法 | |
CN108257093B (zh) | 基于可控核与高斯过程回归的单帧图像超分辨方法 | |
CN102629374A (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
CN105139339A (zh) | 基于多级滤波和样本匹配的偏振图像超分辨率重建方法 | |
CN106169174A (zh) | 一种图像放大方法 | |
CN105550989A (zh) | 基于非局部高斯过程回归的图像超分辨方法 | |
CN109064402B (zh) | 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法 | |
CN104252703A (zh) | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 | |
CN103839075A (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
CN101799919A (zh) | 一种基于pca对齐的正面人脸图像超分辨率重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |